二、人工智能发展简史：从图灵测试到深度学习、大模型时代的里程碑事件与关键人物
人工智能（AI）并非近年才出现的时髦概念，其思想萌芽可追溯至古希腊的机械傀儡传说，但真正作为一门学科诞生，是在20世纪中叶。理解AI的发展史，不是为了背年份，而是为了建立一种“技术周期感”——知道当前大模型热潮在历史坐标中的位置，理解每一次“寒冬”与“爆发”背后的驱动因素（算力、数据、算法），从而对技术趋势做出更理性的判断。本章沿着“起源—第一次繁荣—寒冬—专家系统—机器学习复兴—深度学习爆发—大模型时代”的主线，梳理关键事件与人物。
2.1 核心原理：AI发展的三次浪潮与两大范式
AI发展史本质上是一部“如何让机器获得智能”的范式之争。主要分为两大技术路线：符号主义（Symbolicism）与连接主义（Connectionism）。符号主义认为智能源于逻辑推理与符号操作，代表成果是专家系统；连接主义则认为智能源于神经元网络的连接权重调整，代表成果是深度学习。当前大模型属于连接主义的极致体现，但同时也吸收了符号主义的结构化知识思想。
| 时期 | 核心技术 | 代表系统 | 驱动资源 | 局限 |
|---|---|---|---|---|
| 1956-1974 | 搜索推理、感知机 | Logic Theorist | 算法设计 | 算力不足、组合爆炸 |
| 1980-1987 | 专家系统、知识库 | XCON | 领域知识 | 知识获取瓶颈、维护难 |
| 2006-2012 | 深度学习（DBN/CNN） | AlexNet | GPU+大数据 | 依赖标注数据 |
| 2017-至今 | Transformer、自监督 | 系列 | 大规模算力+海量语料 | 算力成本高、幻觉问题 |
2.2 判断方法：如何区分“真突破”与“炒作”
在AI发展史中，多次出现“技术炒作周期”（Gartner Hype Cycle）。判断一项AI技术是实质性突破还是泡沫，可从三个维度评估：泛化能力（能否处理未见过的场景）、可解释性（决策过程是否可追溯）、工程成本（训练与推理的算力消耗）。例如，早期感知机被证明无法解决异或问题（Minsky, 1969），导致第一次寒冬；而深度学习通过多层非线性变换解决了该问题，因此是实质性突破。
2.3 案例拆解：从AlexNet到——深度学习的两次跃迁
2012年ImageNet竞赛中，AlexNet以85%的准确率远超第二名（74%），开启了深度学习时代。其关键创新包括ReLU激活函数、Dropout正则化、GPU并行训练。而2017年Google提出的Transformer架构，通过自注意力机制（Self-Attention）解决了RNN长序列依赖问题，成为大模型的基座。2020年以1750亿参数验证了“规模法则”（Scaling Law）：模型越大、数据越多，涌现能力越强。
- AlexNet（2012）：卷积神经网络+GPU训练，错误率从26%降至15%
- Transformer（2017）：自注意力机制，并行计算，训练效率大幅提升
- （2020）：1750亿参数，少样本学习能力，验证规模法则
- （2022）：基于人类反馈的强化学习（RLHF），对齐人类意图
2.4 常见误区与总结复盘
误区一：认为AI发展是线性的。实际上经历了至少两次“寒冬”（1974-1980、1987-1993），每次都是因为过度承诺导致资金断流。误区二：将“图灵测试”等同于智能。图灵测试只是行为层面的判断，不涉及意识或理解。误区三：认为深度学习万能。深度学习擅长感知任务（图像、语音），但在因果推理、常识理解上仍薄弱。
总结：AI发展史给我们的核心启示是——技术突破需要“算法+算力+数据”三要素共振。当前大模型时代，算力成本成为主要瓶颈，未来方向包括模型压缩、高效推理、小样本学习。理解历史，才能避免重复“过度承诺—失望—寒冬”的循环。